本研究提出了一种名为FaceNet2ExpNet的新思想，通过静态图片训练表情识别网络，先预训练表情网络的卷积层，再添加全连接层联合训练，通过可视化结果表明该模型能够捕捉到更高层次的表情语义，实验证明该方法优于现有技术在四个公共数据库上的识别结果表现。

Sep, 2016

本文通过引入新的岛津损失函数，在人脸表情识别领域尝试了新的改进方法，从而提高了卷积神经网络的性能。实验结果显示，使用该岛津损失函数的卷积神经网络相比于传统的softmax loss和中心损失方法以及同领域最先进方法表现更优，成功解决了真实世界条件下人脸表情识别中的问题。

Oct, 2017

本文提出了一种无监督的深度学习方法来分离在野外拍摄的脸部图像中的多个潜在变化因素，其中多个潜在变化因素的乘法交互通过多线性（张量）结构明确地建模。该方法学习了面部表情和姿态的分离表示，可用于各种应用，包括面部编辑，以及三维面部重建和面部表情、身份和姿态的分类。

Nov, 2017

本文提出了一种PPRL-VGAN模型，可实现面部表情识别和高质量图像生成，并在保护用户隐私和数据实用性方面取得了一定平衡。

Mar, 2018

本论文提出了一种利用神经网络学习解开图像可控制性表示从而允许局部图像操作的方法，能够直接转移面部特定区域如眼睛、头发和嘴巴等部分的形状和颜色，而其他部位不变，通过使用定位的ResNet自编码器和几个损失函数进行训练，利用CelebA数据集检验了该方法的良好效果。

Aug, 2019

本文介绍了一种名为InterFaceGAN的框架，通过解析状态最先进的GAN模型学习的分离面部表示，并研究在潜在空间中编码的面部语义属性特性，可以实现面部属性的真实操作而不必重新训练模型，并且可以更准确地控制特征操作。

May, 2020

本研究提出了一种新的模块，名为“Amending Representation Module (ARM)”，可有效增强面部表情识别的性能，通过减少侵蚀特征权重和简化表征学习两个方向，克服了卷积填充引起的侵蚀问题，获取更准确的面部表情识别结果。

Mar, 2021

本文介绍了一种无需外部监督即可将线性编码的面部语义从StyleGAN中分离的方法，并结合稳定的三维可变形面部重建方法将单视图GAN生成物分解为多个语义。同时，我们还展示了沿着分离表示进行引导外推可以帮助进行数据增强，并提供了对我们学习到的面部表示的分析。

Mar, 2021

本文提出了一种新颖的无监督解缠面部表情和身份表示的框架——LatentFace，并使用3D感知的潜入模型来解决这一问题。该方法在面部表情识别和面部验证等无监督面部表示学习模型中取得了最先进的性能。

Sep, 2023

创新的 DrFER 方法在3D人脸领域引入了概念上的解缠表示学习方法，通过使用双分支框架，有效地将表情信息与身份信息解耦，并通过重新配置损失函数和网络结构适应于点云数据，从而提高了框架在识别面部表情方面的能力，即使在涉及不同头部姿势的情况下，经过对BU-3DFE和Bosphorus数据集进行的广泛评估表明，DrFER 超过了其他3D FER 方法的性能。

Mar, 2024